2020年最新2020年整理BP神经网络监督控制系统设计
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
班级:控制5班 学号:2111504213 姓名:张睿
设计一个神经网络监督控制系统,被控对象为:
3
2
1000
()s 87.35s 10470G s s
=++ 采样时间1,输入信号为方波信号,幅值0.5,频率2。设计一个神经网络监督控制系统,并采用遗传算法进行神经网络参数及权值的优化设计,并进行仿真。需要说明控制系统结构,遗传算法优化网络的具体步骤,并对仿真结果做出分析。
解决过程及思路如下:
1 网络算法
以第p 个样本为例,用于训练的网络结构如图1所示。
图1 具有一个隐含层和输出层的神经网络结构
网络的学习算法如下: (1)信息的正向传播
隐含层神经元的输入为所有输入加权之和,
j ij i i
x w x =∑
隐层神经元的输出'j x 采用S 函数激发j x ,则
'
1
()1j j j x x f x e
-==
+ '''(1)
j j j j
x x x x ∂=-∂ 输出层的神经元输出为
j
k
输入层
隐含层
输出层
…
j 'j
x
'k jk j j
x w x =∑
网络输出与理想输出误差为
()k k e k x x =-
误差性能指标函数为
2
1
1()2N p k E e k ==∑
上式的N 表示网络输出层的个数。
(2)利用梯度下降法调整各层间权值的反向传播 对从第j 个输入到第k 个输出的权值有:
'1
1
()N
N
p k jk k j k k jk
jk E x w e e k x w w η
ηη==∂∂∆=-==∂∂∑
∑ 其中,η为学习速率,[]0,1η∈。
1时刻网络权值为
(1)()jk jk jk w k w k w +=+∆
对从第i 个输入到第j 个输出的权值有:
1
N
p k
ij k k ij
ij
E x w e w w η
η=∂∂∆=-=∂∂∑
式中,'
'''
(1)j j
k k jk j j i ij j j ij
x x x x w x x x w x x w ∂∂∂∂=⋅⋅=⋅⋅-⋅∂∂∂∂ 1时刻网络权值为
(1)()ij ij ij w k w k w +=+∆
2.网络的监督控制系统结构
设计的网络监督控制系统结构如图2所示。
图2 神经网络监督控制
在网络结构中,取网络的输入为r (k ),实际输出为y (k ),控制输出为(k ),隐层神经元的输出采用S 函数激发,
'1()1j j j x x f x e
-==
+ 网络的权向量为W1, W2 的网络输出为
控制律为
u(k)(k)(k)
采用梯度下降法调整网络的权值为
神经网络权值的调整过程为
3.遗传算法对网络权值的优化过程 (1) 取逼近总步骤为100 (2)终止代数:80 (3)样本个数:30 (4)交叉概率:0.70 (5)二进制编码长度:10
(6)变异概率:0.001-[1:1]*0.001
(7)用于优化的网络结构为:1-4-1 1 1,2,3 ,4 (8)网络权值W1的取值范围为:[-11] (9)网络权值W2的取值范围为:[-0.50.5]
(10)取网络误差绝对值为参数选择的最小目标函数:
∑=j
j
j x w '2k yn )('222)()(j
j k j j x k e w x k e w E w ⋅⋅-=∂∂⋅⋅-=∂∂-=∆ηηηij n ij ij w y k e w E w ∂∂⋅
⋅-=∂∂-=∆)(ηη))1()(()()1(22222--+∆+=+k w k w w k w k w j j j j j α))
1()(()()1(--+∆+=+k w k w w k w k w ij ij ij ij ij α
式中,N 为逼近的总步骤,(i )为第i 步网络逼近误差。
(11)需要优化参数为:],,,,,,,,,,,[p 232221201716151413121110j w w w w w w w w w w w w 4 遗传算法优化网络权值的步骤
(1)初始化种群;
(2)计算其适应值,保留最优个体,判断是否达到最优解; (3)交叉、变异产生新个体;
(4)重新计算种群中每个个体的适应值并保留最优个体;
(5)交叉、变异前后的种群放在一起进行二人竞赛选择法,直到填满新的种群;
(6)转2)直到找到最优解。 5 仿真结果
监督网络遗传算法优化程序包括3部分,即遗传算法优化程序,网络逼近函数程序和网络逼近测试程序。
输入信号为r (t )=0.5*((2*2**k*)采样时间0.001s ,η=0.30,0.0511. 经遗传算法优化后,对象p 的值为
[-0.2160,0.7576,0.5230,0.98630.0714,0.2551,0.69110.3627,0.2146,0.3338 ,-0.0875,-0.0582]
仿真结果图:
790
800810820830840850
860870880890Times
B e s t J
图3 代价函数J 的优化过程